1.Lựa chọn mạng sử dụng: một ngõ ra hay nhiều ngõ ra?
Nếu chọn mạng nhiều ngõ ra, mỗi ngõ ra tƣơng ứng với một mẫu thì có sƣ bất cập:
− Bao nhiêu ngõ ra thì đủ?
− Mỗi lần cập nhật thêm một mẫu mới thì phải huấn luyện lại toàn mạng. Vì vậy, ở đây tôi chọn mạng truyền thẳng Perceptron một ngõ ra, mỗi mạng tƣơng ứng với một mẫu. Nhƣ vậy, khi cần đối sánh một mẫu ta phải so sánh mẫu đó qua tất cả các mạng trong cơ sở dữ liệu. Bởi vì, việc so một mẫu qua
các mạng đơn giản và nhanh hơn thời gian huấn luyện một mạng lớn nên phƣơng pháp này khả thi hơn.
Trên cơ sở lựa chọn mạng nhƣ vậy tôi chọn hàm kích hoạt lớp ra là hàm tuyến tính và đƣợc huấn luyện về 0 đối với từng mẫu.
2.Xây dựng tập mẫu ngõ vào.
Ngõ vào của mạng là vị trí của các điểm đặc trƣng. Để xác định vị trí của một điểm ta phải có một điểm gốc “tƣơng đối” cố định. Ở đây, tôi chọn điểm core làm gốc tọa độ, bởi vì điểm core luôn tồn tại và tƣơng đối cố định trong ảnh vân tay.
Việc đối sánh bằng mạng neural có một nhƣợc điểm đó là thứ tự các điểm đặc trƣng khi đƣa vào mạng phải chính xác, chỉ cần sai lệch một vị trí sẽ làm sai toàn bộ mạng. Nhƣng sai lệch là không thể tránh khỏi trong quá trình xác định các điểm đặc trƣng đối với các ảnh có chất lƣợng không đảm bảo. Để khắc phục nhƣợc điểm này, tôi đề nghị một phƣơng pháp đó là: không đƣa trực tiếp vị trí của các điểm minutiae vào mạng (ngoại trừ điểm delta) mà sử dụng vị trí trung bình cộng của các điểm minutiae. Cụ thể nhƣ sau:
− Chọn điểm core làm gốc tọa độ, khi đó điểm core sẽ chia mặt phẳng ảnh thành bốn phần.
− Trong mỗi phần tƣ của mặt phẳng ảnh ta tìm vị trí trung bình của các điểm minutiae trong phần tƣ đó. Bốn vị trí trung bình của các điểm minutiae ở bốn phần tƣ của mặt phẳng ảnh sẽ đƣợc đƣa vào tám ngõ vào của mạng (sử dụng tọa độ decac).
− Để gia tăng độ phân biệt ta có thể đƣa thêm số điểm minutiae trong mỗi phần tƣ của mặt phẳng ảnh vào bốn ngõ vào khác của mạng.
3.Số lớp sử dụng
Từ kinh ngiệm và thực nghiệm sử dụng mạng neural ngƣời ta nhận thấy là việc sử dụng mạng Perceptron nhiều hơn hai lớp là không cần thiết. Vì vậy, ở đây tôi sẽ thử nghiệm các kết quả đối sánh trên các mạng Perceptron một lớp và hai lớp.